PCA-RGB-Bild

Ich versuche, herauszufinden, wie man die PCA auf decorrelate ein RGB-Bild in python.
Ich bin mit dem code, der sich in der O ' Reilly Computer vision Buch:

from PIL import Image
from numpy import *

def pca(X):
  # Principal Component Analysis
  # input: X, matrix with training data as flattened arrays in rows
  # return: projection matrix (with important dimensions first),
  # variance and mean

  #get dimensions
  num_data,dim = X.shape

  #center data
  mean_X = X.mean(axis=0)
  for i in range(num_data):
      X[i] -= mean_X

  if dim>100:
      print 'PCA - compact trick used'
      M = dot(X,X.T) #covariance matrix
      e,EV = linalg.eigh(M) #eigenvalues and eigenvectors
      tmp = dot(X.T,EV).T #this is the compact trick
      V = tmp[::-1] #reverse since last eigenvectors are the ones we want
      S = sqrt(e)[::-1] #reverse since eigenvalues are in increasing order
  else:
      print 'PCA - SVD used'
      U,S,V = linalg.svd(X)
      V = V[:num_data] #only makes sense to return the first num_data

   #return the projection matrix, the variance and the mean
   return V,S,mean_X

Ich weiß, ich benötigen Sie zu glätten mein Bild, aber die Form ist 512x512x3. Wird die dimension 3 zu werfen ab mein Ergebnis? Wie kann ich die kürzen das?
Wie finde ich eine quantitative Zahl, wie viel Informationen erhalten?